Конвертация djvu в pdf. dpsprep

Конвертация djvu в pdf. dpsprep.

1 Общая информация

• Репозиторий: https://github.com/kcroker/dpsprep
• Конвертер DjVu в PDF.
• Позволяет сохранять структуру документа (например, оглавление) и текстовые слои (например, OCR).

2 Установка

2.1 Gentoo

• Оверлей karma (Gentoo. Репозиторий karma):

  emerge dpsprep
  

3 Параметры

• -q, --quality : качество изображений на выходе. Используется только для сжатия JPEG, т.е. изображений RGB и Grayscale. Передается напрямую в Pillow и оптимизатору OCRmyPDF.
• -p, --pool-size : размер пула MultiProcessing для обработки постраничных операций.
• -v, --verbose : отображение отладочных сообщений.
• -o, --overwrite : перезаписать файл назначения.
• -w, --preserve-working : сохранять рабочий каталог после завершения скрипта.
• -d, --delete-working : перед записью в рабочий каталог удалите все существующие файлы.
• -t, --no-text : отключить генерацию текстовых слоев. Подразумевается --ocr.
• -m, --mode : режим изображения. По умолчанию запрашивается режим изображения каждой страницы у libdjvu. Иногда имеет смысл принудительно использовать битональные изображения, поскольку они хорошо сжимаются.
• --ocr : выполнить OCR через OCRmyPDF, а не пытаться преобразовать текстовый слой. Если этот параметр имеет значение, это должен быть словарь JSON с параметрами, которые будут переданы в OCRmyPDF.
• -O1 : используйте оптимизацию изображений PDF без потерь с помощью OCRmyPDF (без выполнения OCR).
• -O2 : используйте оптимизацию изображений PDF от OCRmyPDF.
• -O3 : используйте агрессивную оптимизацию изображений PDF с потерями от OCRmyPDF.

4 Выполнение сжатия

• Компрессия поводится в два этапа:
  • сжатие по умолчанию, предоставляемое Pillow. Для битональных изображений код генерации PDF говорит, если libtiff доступен, для сжатия используется group4.
  • если установлен OCRmyPDF, его оптимизацию PDF можно использовать с помощью флагов -O1, -O2, -O3 (это не требует OCR).
• Если OCRmyPDF запускается вручную, обратите внимание, что команда оптимизации, предложенная в документации (параметр --tesseract-timeout к 0 ) может испортить существующие текстовые слои.
• Чтобы выполнить только оптимизацию PDF, вы можете использовать следующий недокументированный способ вызова:

  python -m ocrmypdf.optimize <input_file> <level> <output_file>
  

5 Примеры использования

• Создать файл file.pdf в текущем каталоге:

  dpsprep file.djvu
  

• Создать output.pdf с пониженным качеством изображения и агрессивной оптимизацией изображений PDF:

  dpsprep --quality=30 -O3 input.djvu output.pdf
  

• Использовать большой пул рабочих процессов:

  dpsprep --pool=16 input.djvu
  

• Принудительно сделать изображения двуцветными:

  dpsprep --mode bitonal input.djvu
  

• Игнорировать текстовый слой и запустить OCRmyPDF:

  dpsprep --ocr '{"language": ["rus", "eng"]}' input.djvu
  

• Просто проигнорируйте текстовый слой без OCR:

  dpsprep --no-text input.djvu